CLASIFICACIÓN DE LAS PERTURBACIONES CON VENTANAS REDUCIDAS

Con el fin de probar la extracción de las componentes independientes, desde el punto de vista de la clasificación de las perturbaciones con ventanas de adquisición reducidas, un clasificador, para cada ancho de la ventana, de 1 ciclo y 1/2 ciclo de duración, fue diseñado a partir de las fuentes originales. En esta etapa, se utilizó el mismo banco de perturbaciones usado para generar los resultados de la Sección 8.4, ya que los resultados aquí obtenidos se comparan con los obtenidos para ventanas de las señales con 4 ciclos de duración. En este caso, las fuentes de perturbaciones fueron adquiridas con 1 ciclo y 1/2 ciclos de duración, truncándose cada señal, a partir del inicio de la perturbación, en 256 y 128 muestras, respectivamente.

Los clasificadores fueron diseñados, siguiendo la misma metodología de la Sección 8.4, en la que se extrajeron los parámetros EOS de las señales y una RNA se utilizó como técnica de clasificación. Se intentó mantener la misma topología y entrenamiento (formación) de la red utilizada para 4 ciclos, alcanzándose así, un desempeño general de l00% para el entrenamiento y 100% para los datos de validación, en ambos casos (para 1 y 1/2 ciclo).

A continuación, para cada evento, se genera una matriz de mezclas 𝑋, compuesta por la señal y las dos versiones de la misma desplazadas (enfoque

𝑀 = 3). La matriz de mezcla fue entonces sometida al algoritmo ICA, y de las tres componentes independientes obtenidas, se seleccionaron dos por la correlación no lineal con los correspondientes patrones de señales, tal como se describe en la Sección 8.4. Las componentes independientes que hayan sido seleccionadas, se presentaron al clasificador diseñado para actuar sobre las fuentes originales. Los desempeños, para cada tamaño de la ventana, se muestran en la Tabla 8.13, en comparación con los obtenidos considerándose ventanas de 4 ciclos de adquisición. Al simplificar, sólo se utilizaron los resultados obtenidos por el algoritmo Fast ICA. Se observó que había una reducción de desempeño considerable para las perturbaciones estimadas de la

145

mezcla 𝑀1, que son los transitorios oscilatorios y los armónicos, principalmente para ventanas 1/2 de ciclo.

TABLA 8.13

DESEMPEÑOS DE CLASIFICACIÓN PARA DIFERENTES TAMAÑOS DE VENTANAS EN %. PERTURBACIONE S TRANSITORIO S OSCILATORIO S ARMÓNICO S DE 𝑴𝟏 ARMÓNICO S DE 𝑴𝟐 NOTCHE S 4 ciclos 100 98,5 99,0 100 1 ciclo 97,5 98,0 100 100 1/2 ciclo 80,0 89,5 100 99,5

De hecho, pocas muestras de la señal pueden no caracterizar suficientemente una perturbación y, en consecuencia, el desempeño del clasificador puede ser reducido, independientemente de la calidad de las estimaciones de las perturbaciones. Para verificar si la reducción del desempeño para ventanas de 1/2 de ciclo se debe a la baja calidad de las estimaciones o a la restricción de las informaciones sobre las perturbaciones (debido al reducido número de muestras), las componentes independientes obtenidas para ventanas de 4 ciclos fueron segmentadas en ventanas de sólo 1/2 de ciclo, y luego enviadas al clasificador de señales con 1/2 ciclo. El desempeño obtenido fue de 97,0% para los transitorios oscilatorios, 92,5% para armónicos de la mezcla 𝑀1, 100% para armónicos de la mezcla 𝑀2, y 99,5% para notches. Este resultado muestra que el bajo desempeño del clasificador para ventanas de 1/2 de ciclo se debe tanto a la baja calidad de las estimaciones como a la reducción de la información disponible de las perturbaciones.

Los resultados de la clasificación mostrados anteriormente fueron obtenidos por clasificadores diseñados a partir de las fuentes originales. Esta aplicación es interesante para probar la calidad de las estimaciones. Sin embargo, para el desarrollo de los clasificadores que operan sobre las estimaciones de las perturbaciones vía ICA, es más interesante diseñar estos clasificadores a partir de las propias estimaciones de las perturbaciones. Esto puede llevar a mejores resultados, ya que el clasificador puede incorporar el ruido proveniente de las mezclas y presente en las estimaciones, como parte del proceso. Con el

146

propósito de realizar este análisis, se generaron nuevos bancos de mezclas (𝑀1

y 𝑀2) con 250 eventos cada uno. Un banco para cada ancho de la ventana: 4 ciclos, 1 ciclo y 1/2 ciclo de duración. Estos nuevos bancos fueron procesados, conforme el modelo SCICA, para 𝑀 = 3. El algoritmo Fast ICA fue utilizado. A continuación, los clasificadores fueron diseñados sobre la base de las estimaciones de las perturbaciones. Los clasificadores fueron diseñados siguiendo la misma metodología descrita anteriormente y teniendo en cuenta la misma topología de la red neuronal. Las redes neuronales fueron entrenadas con 150 eventos y validadas con 100. A continuación, los 500 eventos de cada mezcla (𝑀1 y 𝑀2), previamente separados para las pruebas se aplicaron al modelo SCICA (𝑀 = 3) y, finalmente, presentados a los clasificadores, considerándose ventanas de 4 ciclos, 1 ciclo y 1/2 ciclo. Se debe recordar que el mismo banco de datos de prueba se utilizó para diferentes ventanas, lo que es posible segmentando cada evento a partir del inicio de la perturbación.

Los resultados de desempeño para los datos de entrenamiento (TR), la validación (VA) y prueba (TE) se muestran en la Tabla 8.14. Se observa que, independientemente del tamaño de la ventana de señal utilizada, el clasificador alcanzó el máximo desempeño para las perturbaciones presentes en la mezcla

𝑀2, que son los armónicos y notches. Hubo una pequeña caída en el desempeño para los armónicos de la mezcla 𝑀1 cuando se utilizaron ventanas de 1 ciclo. El desempeño menor se obtuvo para las perturbaciones de la mezcla 𝑀1

(armónicos y transitorios oscilatorios), cuando se utilizan ventanas de 1/2 ciclo. En comparación con los resultados de la Tabla 8.13, se observa que el diseño de los clasificadores a partir de las perturbaciones estimadas, de hecho, lleva a mejores resultados. En general, estos resultados pueden comprobar la calidad de las estimaciones de las perturbaciones, principalmente cuando el objetivo principal es clasificarlas.

147

TABLA 8.14

DESEMPEÑOS DE LA CLASIFICACIÓN, OBTENIDOS CON CLASIFICADORES DISEÑADOS A PARTIR DE LAS ESTIMACIONES DE LAS PERTURBACIONES, EN %

PERTURBACIONES TRANS. OSCIL. ARMONICOS DE 𝑴𝟏 ARMÓNICOS DE 𝑴𝟐 NOTCHES TR VA TE TR VA TE TR VA TE TR VA TE 4 ciclos 100 100 100 100 100 100 100 100 100 100 100 100 1 ciclo 100 100 100 100 99 98,0 100 100 100 100 100 100 1/2 ciclo 96 94 90,5 93 91 85,0 100 100 100 100 100 100